Mysql性能优化教程

目录

目录 1

背景及目标 2

Mysql 执行优化 2

认识数据索引 2

为什么使用数据索引能提高效率 2

如何理解数据索引的结构 2

如何理解影响结果集 3

理解执行状态 4

常见分析手段 4

分析流程 6

总结 7

Mysql 运维优化 9

存储引擎类型 9

内存使用考量 9

性能与安全性考量 9

存储压力优化 10

运维监控体系 10

Mysql 架构优化 11

架构优化目标 11

防止单点隐患 11

方便系统扩容 11

安全可控,成本可控 11

分布式方案 12

分库&拆表方案 12

主从架构 14

故障转移处理 15

缓存方案 15

缓存结合数据库的读取 15

缓存结合数据库的写入 15

 

 

  1. 背景及目标
  1. 厦门游家公司(4399.com)用于员工培训和分享。
  2. 针对用户群为已经使用过mysql环境,并有一定开发经验的工程师
  3. 针对高并发,海量数据的互联网环境。
  4. 本文语言为口语,非学术标准用语。
  5. 以实战和解决具体问题为主要目标,非应试,非常规教育。友情提醒,在校生学习本教程可能对成绩提高有害无益。
  6. 非技术挑战,非高端架构师培训,请高手自动忽略。
  1.  Mysql 执行优化
    1. 认识数据索引

1). 为什么使用数据索引能提高效率

    1. 数据索引的存储是有序的
    2. 在有序的情况下,通过索引查询一个数据是无需遍历索引记录的
    3. 极端情况下,数据索引的查询效率为二分法查询效率,趋近于 log2(N)

2). 如何理解数据索引的结构

    1. 数据索引通常默认采用btree索引,(内存表也使用了hash索引)。
    2. 单一有序排序序列是查找效率最高的(二分查找,或者说折半查找),使用树形索引的目的是为了达到快速的更新和增删操作。
    3. 在极端情况下(比如数据查询需求量非常大,而数据更新需求极少,实时性要求不高,数据规模有限),直接使用单一排序序列,折半查找速度最快。
      1. 实战范例 : ip地址反查

资源: Ip地址对应表,源数据格式为  startip, endip, area

源数据条数为 10万条左右,呈很大的分散性

目标: 需要通过任意ip查询该ip所属地区

性能要求达到每秒1000次以上的查询效率

挑战: 如使用 between … and 数据库操作,无法有效使用索引。

如果每次查询请求需要遍历10万条记录,根本不行。

方法: 一次性排序(只在数据准备中进行,数据可存储在内存序列)

折半查找(每次请求以折半查找方式进行)

    1. 在进行索引分析和SQL优化时,可以将数据索引字段想象为单一有序序列,并以此作为分析的基础。
      1. 实战范例:复合索引查询优化实战,同城异性列表

资源: 用户表user,字段 sex性别;area 地区;lastlogin 最后登录时间;其他略

目标: 查找同一地区的异性,按照最后登录时间逆序

   高访问量社区的高频查询,如何优化。

查询SQL: select * from user where area=’$area’ and sex=’$sex’ order by lastlogin desc limit 0,30;

挑战: 建立复合索引并不难, area+sex+lastlogin 三个字段的复合索引,如何理解?

首先,忘掉btree,将索引字段理解为一个排序序列。

如果只使用area会怎样?搜索会把符合area的结果全部找出来,然后在这里面遍历,选择命中sex的并排序。 遍历所有 area=’$area’数据!

如果使用了area+sex,略好,仍然要遍历所有area=’$area’ and sex=’$sex’数据,然后在这个基础上排序!!

Area+sex+lastlogin复合索引时(切记lastlogin在最后),该索引基于area+sex+lastlogin 三个字段合并的结果排序,该列表可以想象如下。

广州女$时间1

广州女$时间2

广州女$时间3

广州男

….

深圳女

….

数据库很容易命中到 area+sex的边界,并且基于下边界向上追溯30条记录,搞定!在索引中迅速命中所有结果,无需二次遍历!

3). 如何理解影响结果集

    1. 影响结果集是数据查询优化的一个重要中间数据
      1. 查询条件与索引的关系决定影响结果集

如上例所示,即便查询用到了索引,但是如果查询和排序目标不能直接在索引中命中,其可能带来较多的影响结果。而这会直接影响到查询效率

      1. 微秒级优化
        1. 优化查询不能只看慢查询日志,常规来说,0.01秒以上的查询,都是不够优化的。
        2. 实战范例

和上案例类似,某游戏社区要显示用户动态,select * from userfeed where uid=$uid order by lastlogin desc limit 0,30;   初期默认以uid为索引字段, 查询为命中所有uid=$uid的结果按照lastlogin排序。 当用户行为非常频繁时,该SQL索引命中影响结果集有数百乃至数千条记录。查询效率超过0.01秒,并发较大时数据库压力较大。

解决方案:将索引改为 uid+lastlogin 复合索引,索引直接命中影响结果集30条,查询效率提高了10倍,平均在0.001秒,数据库压力骤降。

    1. 影响结果集的常见误区
      1. 影响结果集并不是说数据查询出来的结果数或操作影响的结果数,而是查询条件的索引所命中的结果数。
      2. 实战范例
        1. 某游戏数据库使用了innodb,innodb是行级锁,理论上很少存在锁表情况。出现了一个SQL语句(delete from tabname where xid=…),这个SQL非常用SQL,仅在特定情况下出现,每天出现频繁度不高(一天仅10次左右),数据表容量百万级,但是这个xid未建立索引,于是悲惨的事情发生了,当执行这条delete 的时候,真正删除的记录非常少,也许一到两条,也许一条都没有;但是!由于这个xid未建立索引,delete操作时遍历全表记录,全表被delete操作锁定,select操作全部被locked,由于百万条记录遍历时间较长,期间大量select被阻塞,数据库连接过多崩溃。

这种非高发请求,操作目标很少的SQL,因未使用索引,连带导致整个数据库的查询阻塞,需要极大提高警觉。

    1. 总结:
      1. 影响结果集是搜索条件索引命中的结果集,而非输出和操作的结果集。
      2. 影响结果集越趋近于实际输出或操作的目标结果集,索引效率越高。
      3. 请注意,我这里永远不会讲关于外键和join的优化,因为在我们的体系里,这是根本不允许的! 架构优化部分会解释为什么。
    1. 理解执行状态

常见分析手段

  1. 慢查询日志,关注重点如下
    1. 是否锁定,及锁定时间
      1. 如存在锁定,则该慢查询通常是因锁定因素导致,本身无需优化,需解决锁定问题。
    2. 影响结果集
      1. 如影响结果集较大,显然是索引项命中存在问题,需要认真对待。
  2. Explain 操作
    1. 索引项使用
      1. 不建议用using index做强制索引,如未如预期使用索引,建议重新斟酌表结构和索引设置。
    2. 影响结果集
      1. 这里显示的数字不一定准确,结合之前提到对数据索引的理解来看,还记得嘛?就把索引当作有序序列来理解,反思SQL。
  3. Set profiling , show profiles for query操作
    1. 执行开销
      1. 注意,有问题的SQL如果重复执行,可能在缓存里,这时要注意避免缓存影响。通过这里可以看到。
      2. 执行时间超过0.005秒的频繁操作SQL建议都分析一下。
      3. 深入理解数据库执行的过程和开销的分布
  4. Show processlist
    1. 状态清单
      1. Sleep 状态, 通常代表资源未释放,如果是通过连接池,sleep状态应该恒定在一定数量范围内
        1. 实战范例: 因前端数据输出时(特别是输出到用户终端)未及时关闭数据库连接,导致因网络连接速度产生大量sleep连接,在网速出现异常时,数据库 too many connections 挂死。
        2. 简单解读,数据查询和执行通常只需要不到0.01秒,而网络输出通常需要1秒左右甚至更长,原本数据连接在0.01秒即可释放,但是因为前端程序未执行close操作,直接输出结果,那么在结果未展现在用户桌面前,该数据库连接一直维持在sleep状态!
      2. Waiting for net, reading from net, writing to net
        1. 偶尔出现无妨
        2. 如大量出现,迅速检查数据库到前端的网络连接状态和流量
        3. 案例: 因外挂程序,内网数据库大量读取,内网使用的百兆交换迅速爆满,导致大量连接阻塞在waiting for net,数据库连接过多崩溃
      3. Locked状态
        1. 有更新操作锁定
        2. 通常使用innodb可以很好的减少locked状态的产生,但是切记,更新操作要正确使用索引,即便是低频次更新操作也不能疏忽。如上影响结果集范例所示。
        3. 在myisam的时代,locked是很多高并发应用的噩梦。所以mysql官方也开始倾向于推荐innodb。
      4. Copy to tmp table
        1. 索引及现有结构无法涵盖查询条件,才会建立一个临时表来满足查询要求,产生巨大的恐怖的i/o压力。
        2. 很可怕的搜索语句会导致这样的情况,如果是数据分析,或者半夜的周期数据清理任务,偶尔出现,可以允许。频繁出现务必优化之。
        3. Copy to tmp table 通常与连表查询有关,建议逐渐习惯不使用连表查询。
        4. 实战范例:
          1. 某社区数据库阻塞,求救,经查,其服务器存在多个数据库应用和网站,其中一个不常用的小网站数据库产生了一个恐怖的copy to tmp table 操作,导致整个硬盘i/o和cpu压力超载。Kill掉该操作一切恢复。
      5. Sending data
        1. Sending data 并不是发送数据,别被这个名字所欺骗,这是从物理磁盘获取数据的进程,如果你的影响结果集较多,那么就需要从不同的磁盘碎片去抽取数据,
        2. 偶尔出现该状态连接无碍。
        3. 回到上面影响结果集的问题,一般而言,如果sending data连接过多,通常是某查询的影响结果集过大,也就是查询的索引项不够优化。
        4. 如果出现大量相似的SQL语句出现在show proesslist列表中,并且都处于sending data状态,优化查询索引,记住用影响结果集的思路去思考。
      6. Freeing items
        1. 理论上这玩意不会出现很多。偶尔出现无碍
        2. 如果大量出现,内存,硬盘可能已经出现问题。比如硬盘满或损坏。
      7. Sorting for …
        1. 和Sending data类似,结果集过大,排序条件没有索引化,需要在内存里排序,甚至需要创建临时结构排序。
      8. 其他
        1. 还有很多状态,遇到了,去查查资料。基本上我们遇到其他状态的阻塞较少,所以不关心。

分析流程

  1. 基本流程
    1. 详细了解问题状况
      1. Too many connections 是常见表象,有很多种原因。
      2. 索引损坏的情况在innodb情况下很少出现。
      3. 如出现其他情况应追溯日志和错误信息。
    2. 了解基本负载状况和运营状况
      1. 基本运营状况
        1. 当前每秒读请求
        2. 当前每秒写请求
        3. 当前在线用户
        4. 当前数据容量
      2. 基本负载情况
        1. 学会使用这些指令
          1. Top
          2. Vmstat
          3. uptime
          4. iostat
          5. df
        2. Cpu负载构成
          1. 特别关注i/o压力( wa%)
          2. 多核负载分配
        3. 内存占用
          1. Swap分区是否被侵占
          2. 如Swap分区被侵占,物理内存是否较多空闲
        4. 磁盘状态
          1. 硬盘满和inode节点满的情况要迅速定位和迅速处理
    3. 了解具体连接状况
      1. 当前连接数
        1. Netstat –an|grep 3306|wc –l
        2. Show processlist
      2. 当前连接分布 show processlist
        1. 前端应用请求数据库不要使用root帐号!
          1. Root帐号比其他普通帐号多一个连接数许可。
          2. 前端使用普通帐号,在too many connections的时候root帐号仍可以登录数据库查询 show processlist!
          3. 记住,前端应用程序不要设置一个不叫root的root帐号来糊弄!非root账户是骨子里的,而不是名义上的。
        2. 状态分布
          1. 不同状态代表不同的问题,有不同的优化目标。
          2. 参见如上范例。
        3. 雷同SQL的分布
          1. 是否较多雷同SQL出现在同一状态
      3. 当前是否有较多慢查询日志
        1. 是否锁定
        2. 影响结果集
    4. 频繁度分析
      1. 写频繁度
        1. 如果i/o压力高,优先分析写入频繁度
        2. Mysqlbinlog 输出最新binlog文件,编写脚本拆分
        3. 最多写入的数据表是哪个
        4. 最多写入的数据SQL是什么
        5. 是否存在基于同一主键的数据内容高频重复写入?
          1. 涉及架构优化部分,参见架构优化-缓存异步更新
      2. 读取频繁度
        1. 如果cpu资源较高,而i/o压力不高,优先分析读取频繁度
        2. 程序中在封装的db类增加抽样日志即可,抽样比例酌情考虑,以不显著影响系统负载压力为底线。
        3. 最多读取的数据表是哪个
        4. 最多读取的数据SQL是什么
          1. 该SQL进行explain 和set profiling判定
          2. 注意判定时需要避免query cache影响
            1. 比如,在这个SQL末尾增加一个条件子句 and 1=1 就可以避免从query cache中获取数据,而得到真实的执行状态分析。
        5. 是否存在同一个查询短期内频繁出现的情况
          1. 涉及前端缓存优化
    5. 抓大放小,解决显著问题
      1. 不苛求解决所有优化问题,但是应以保证线上服务稳定可靠为目标。
      2. 解决与评估要同时进行,新的策略或解决方案务必经过评估后上线。

 

本教程由尚硅谷教育大数据研究院出品,如需转载请注明来源。

发布了532 篇原创文章 · 获赞 30 · 访问量 4万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览